基于高能效机器学习的可持续医学成像去噪技术

Summary

本研究提出了一种节能的去噪方法，该方法集成了图像预处理，以提高医学图像质量，降低计算成本，并支持可持续的诊断实践。该方法提高了低剂量和传统扫描的清晰度，实现远程诊断，同时减少辐射暴露、能源使用和电子垃圾。

Abstract

传统的深度学习模型已经显示出去噪潜力，但面临着大量计算负载、能源使用和训练时间等挑战。本研究提出了一种节能的去噪方法，该方法将图像增强和K-means聚类作为预处理技术相结合，以提高应用神经网络之前的输入质量。在应用卷积自动编码器之前，提出了一种节能的去噪管道，该管道集成了使用锐化核的图像增强和通过K-means聚类进行图像分割。预处理步骤使模型能够识别解剖边界并分离受噪声影响的区域，从而提高输入质量并增强训练收敛性。预处理可锐化关键图像特征并区分受噪声影响的区域，从而实现自适应阈值和更有效的去噪，同时降低计算成本。使用公开的 CT 和 MRI 数据集对所提出的模型进行了评估。通过峰值信噪比 （PSNR）、结构相似性指数测量 （SSIM） 和分类准确性来评估性能。结果表明，PSNR从21.52 dB提高到28.14 dB;SSIM从0.7619提高到0.8690，验证精度也有所提高。集成的预处理将训练时间减少了 ~20%，并降低了 GPU 利用率，从而支持在计算受限环境中的可重复性和部署。该方法通过最大限度地减少辐射暴露、减少重复扫描和延长旧成像设备的使用寿命来支持可持续的医学成像实践。该管道通过最大限度地减少辐射暴露、减少重复扫描和延长传统成像设备的使用寿命，为可持续医学成像做出贡献。它还适用于远程诊断，增强资源匮乏环境中的远程医疗工作流程。此外，该方法支持远程诊断，使其适合资源匮乏环境中的远程医疗应用。

Introduction

医学成像通过提供对内部解剖和生理状况的非侵入性见解，在诊断和治疗计划中发挥着关键作用。临床环境中常规使用多种成像方式，即 X 射线、计算机断层扫描 （CT）、磁共振成像 （MRI）、超声和正电子发射断层扫描 （PET），以检测异常、监测疾病进展和指导干预措施 ^1,2,3。每种模态都表现出独特的优势，但容易受到仪器限制、采集环境和重建算法引起的各种形式的图像质量的影响⁴。

图像质量经常受到噪声的影响，噪声可能是由于热效应、低剂量协议、电子干扰、患者运动或校准不当而表现出来的 ^5,6,7。例如，由于光子计数限制，CT图像经常表现出泊松噪声，而MRI扫描容易产生由磁场不一致和重建伪影引起的高斯和里西亚噪声^8,9。这种噪音会掩盖精细的解剖结构和病理体征，可能导致误诊或重复成像，进而增加辐射暴露和医疗费用。图 1、图 2 和图 3 说明了医学图像中噪声的模式、类型和原因。

图 1：医学图像捕获技术。 该图说明了最常用的医学成像方式，包括 X 射线、MRI、CT、PET 和超声。每种模式都有独特的诊断目的，并且容易产生不同的噪声伪影。例如，MRI 和 CT 对基于运动和重建的扭曲特别敏感。 请点击此处查看此图的大图。

图 2：图像噪声的类型。 显示影响医学成像的各种类型的图像噪声，包括高斯噪声、椒盐噪声、散斑噪声和泊松噪声。每种噪声类型对像素强度和图像结构的影响不同，从而影响去噪效果。 请点击此处查看此图的大图。

图 3：图像噪点的原因。 该图总结了医学成像系统中噪声的主要原因。这些包括传感器错误、电子干扰、低信噪比 （SNR）、患者运动和低剂量扫描。了解这些来源有助于选择预处理和去噪技术。 请点击此处查看此图的大图。

为了克服这些挑战，人们采用了各种去噪技术。基于滤波器的经典方法（如中值滤波器、高斯滤波器和维纳滤波器）计算效率很高，但通常会导致重要图像细节的丢失。小波阈值、BM3D和各向异性扩散等模型驱动技术提供了改进的结构保留，但可能对调整参数敏感或在高噪声场景中挣扎10,11,12。

随着深度学习的出现，卷积神经网络 （CNN） 通过学习噪声图像和干净图像之间的复杂映射，在医学图像去噪方面表现出卓越的性能。然而，深度网络通常需要高计算资源和延长训练时间，引发了对能源效率的担忧，特别是在资源受限的临床环境中13,14,15。

为了解决这些限制，最近的研究集中在混合去噪框架上，该框架将预处理技术与神经网络集成在一起，以降低复杂性并提高性能。图像增强和基于K-means聚类的分割等技术在隔离相关解剖结构和最小化学习算法负担方面显示出前景16,17,18。

除了去噪之外，多模态图像融合技术也取得了进步，通过结合来自不同成像模式的数据来改善诊断细节。最近的工作强调了医学图像处理领域正在进行的创新 19,20,21,22,23。

图 4 展示了噪声如何降低图像清晰度并可能阻碍临床解释。这些局限性促使人们需要具有能源感知、高保真度的去噪方法，以保持临床相关性。

图 4：噪声对诊断质量的影响。 演示噪声如何掩盖 MRI 和 CT 扫描中的解剖细节。原始图像与噪点图像的比较显示视觉清晰度下降，尤其是沿器官边界和软组织界面。 请点击此处查看此图的大图。

本研究提出了一种新型的去噪管道，该管道将基于锐化的增强和K-means分割与基于CNN的自动编码器相结合，以降低噪声，同时提高计算效率。所提出的模型使用标准指标和基准数据集进行了验证。此外，我们还评估了其在远程医疗、传统设备利用和可持续计算中的适用性，解决了传统深度学习解决方案中的差距 24,25,26。

Protocol

本研究专门利用了公开可用的、去识别化的 CT 和 MRI 成像数据集。没有活体人类或动物受试者参与。因此，不需要机构审查委员会 （IRB） 或伦理委员会的批准。

方法概述
该协议为节能医学图像去噪提供了一个可重复的管道。它将预处理技术（包括锐化滤波器和 K 均值聚类）与基于卷积神经网络 （CNN） 的自动编码器相结合，对图像进行降噪。这种集成方法提高了图像质量，同时减少了培训时间和硬件能耗，支持可持续的医疗诊断 19,20,21,22,23。图 5 总结了端到端框架。

图 5：建议的去噪框架架构。 该图概述了完整的流程：数据采集、预处理（锐化 + K 均值分割），然后是基于 CNN 的自动编码器去噪。它强调混合方法，旨在减少能源使用，同时保持结构保真度。 请点击此处查看此图的大图。

图 5 总结了完整的工作流程，它显示了从数据集设置到预处理（锐化和 K 均值）再到 CNN 自动编码器去噪到测试的顺序。

软件和环境设置
选项 A - Google Colab（推荐用于可重复性）： 转到 colab.research.google.com，单击 “新建笔记本”。选择 运行时>更改运行时类型>硬件加速器：GPU >保存。单击 “文件>上传” 以上传提供的笔记本和数据集.zip（或单击 “文件”>“挂载驱动器”连接 Google Drive）。在第一个代码单元格中，安装依赖项（已在笔记本中）：pip install opencv-python scikit-image scikit-learn tensorflow matplotlib numpy pandas。单击 运行时>全部运行。确认您看到：（i） 包含包版本的环境摘要，（ii） GPU 名称（在单元格输出中），以及 （iii） 创建实验文件夹 runs/YYYY-MM-DD/。

选项 B - 本地 （conda）： 打开 Anaconda Prompt/Terminal 并运行：

将数据集放在 data/raw/ 下，将脚本放在 code/ 下。运行：python code/train_autoencoder.py --data_root data --img_size 256 --k_values 3 5 --epochs 100 --batch 32 --lr 0.001。确认查看：环境打印输出、检测到的 GPU 和日志目录运行/YYYY-MM-DD/。

数据集准备
公开可用的 CT 和 MRI 扫描数据集来自医学成像存储库。这些数据集包含真实世界临床扫描的典型噪声，并根据机构和伦理标准进行去识别化 ^8,9。每张图像的大小都调整为 256 x 256 像素，并以 PNG 或 DICOM 格式存储以实现兼容性。数据集随机分配如下：70% 用于训练，15% 用于验证，15% 用于测试，确保成像方式和噪声水平的分层分布⁶。噪声统计数据是在去噪之前使用平均像素方差测量的。

组织文件夹：创建文件夹，如下所述：

要添加图像，请将去识别化的 CT/MRI 图像复制到 data/raw/CT 和 data/raw/MRI（PNG、JPG 或 DICOM）中。使用 Python 标准化图像大小（推荐）：运行笔记本单元格“调整大小并转换”。它加载每张图像，根据需要转换灰度，并将大小调整为 256 x 256 。

另一种方法是使用如所述的 GUI（ImageJ/Fiji 替代）。单击 “文件”>“导入>图像序列 （或单个图像），然后单击” 图像>类型“> 8 位，”图像“>”调整>大小......> 256 x 256，然后将 File > Save As > PNG 转换为 data/preproc/。

创建拆分：运行笔记本单元格训练/评估/测试拆分 （70/15/15）;它会打乱文件名并将它们复制到 data/splits/train|val|test/ 中。控制台打印计数（例如，Train：700，Val：150，Test：150）。检查点（观察）：打开数据/拆分/训练/并验证图像是否为 256 x 256 和灰度（1 通道）。保留一个小型 CSV 清单 （splits.csv），其中列出了文件路径、模式和拆分标签。

图像预处理
使用 3 x 3 锐化内核。 使用锐化内核执行图像增强。在分割之前，使用锐化卷积核来增强解剖边界：

该滤波器通过增强高频分量^4,5来突出重要结构。每个图像都使用 Python 的 OpenCV 库 （cv2.filter2D（）） 进行卷积以生成增强的图像。图 6 说明了前后比较。

图 6：不同 k 值的验证精度图。 条形图说明了 K 均值聚类步骤中使用的各种 K 值 （K=2， 3， 4， 5） 所实现的验证精度。精度在 K=3 处达到峰值，表明解剖结构和噪声区域之间的最佳分离。比例：归一化精度值 （0-1）。 请点击此处查看此图的大图。

使用以下代码应用 （Python/OpenCV）。

或者通过单击处理>过滤器>卷积来使用 GUI 替代方案 （ImageJ/Fiji）。粘贴上面的 3 x 3 矩阵，然后单击“ 确定”>“文件”>“另存为 > PNG 到 data/preproc/enhanced/”中。观察检查点，边缘和器官边界看起来更清晰;如果看到过度锐化的光晕，请将内核中心重量从 5 减少到 4.5，然后重新运行。 图 7 显示了去噪前后的结果。之前的图像清楚地表现出噪点和模糊，而之后的图像显示出更高的清晰度、更清晰的解剖边界和更好的对比度，证明了所提出的去噪管道的有效性。

图 7：卷积 NAutoencoder 网络架构。 说明自动编码器架构：输入层、编码器（Conv + 池层）、瓶颈、解码器（上采样 + 转置转换层）。每一层都标有尺寸和功能。 请点击此处查看此图的大图。

用于分割的 K-Means 聚类
增强的图像使用 NumPy （image.reshape（-1， 1）） 重塑，并使用 sklearn.cluster.KMeans（n_clusters=3 或 5） 进行聚类。将分割后的输出重塑回二维（np.reshape（clustered_array， image.shape）），以可视化解剖区域与噪声区域¹⁴。 表 1 列出了分段设置。

老号	k 的值	准确性
1	3	0.761
2	5	0.869
3	7	0.75

表 1：k 的值以及各自的验证精度。 下表显示了在去噪管道的 K 均值分割步骤中使用的聚类参数 k 的不同值所获得的验证精度。结果表明，k = 5 产生最高的准确性，指导最优聚类参数的选择。

K-Means 分割：使用以下代码重塑和聚类 （Python/scikit-learn）。

执行颜色预览（可选）并将标签映射到颜色，以进行视觉 QC 和锐化图像的叠加边缘。通过运行 K=3 和 K=5 来选择 K;计算下游验证精度（表 1 列出了设置; 图6 显示了精度与K的关系）。这是一个检查点;观察形成不同簇的噪声主导像素;解剖区域应保持连续。如果出现小斑点，请应用解剖边界。

基于神经网络的去噪
架构描述：编码器-瓶颈-解码器原理图见 图 8。使用 TensorFlow/Keras 开发了基于 CNN 的自动编码器。该架构包括：输入层：256 x 256 灰度图像，具有三个卷积层的编码器（内核：3 x 3，步幅：1，ReLU 激活），每个卷积层后跟 max-pooling;瓶颈作为密集潜在表示，具有三个具有转置卷积的上采样层的解码器，输出为Sigmoid激活层，产生去噪图像。 表 2 提供了完整的层级架构参数。

图 8：去噪过程的视觉结果。 并排呈现原始噪声图像、预处理图像和最终去噪输出以进行定性评估。展示边缘保留和伪影减少。 请点击此处查看此图的大图。

老号	编译属性	编译属性的值
1	优化	亚当
2	损失	分类交叉熵
3	指标	准确性

表 2：神经网络的编译属性。 下表详细介绍了用于训练卷积自动编码器模型的关键编译参数。这些设置是在 TensorFlow 中实现的，包括优化器、损失函数、评估指标、纪元数和批量大小。

训练配置：训练参数包括：损失函数为均方误差（MSE），优化器为Adam（学习率=0.001），批量大小为32，epochs为100，提前停止（耐心=10）。

培训简要概述如下。通过转到 Colab 并单击 运行时>全部运行来启动训练;确认 GPU 已列出（例如，Tesla T4）。使用 python code/train_autoencoder.py --data_root data --epochs 100 --batch 32 --lr 0.001 --early_stop 10.使用控制台进行监控打印纪元、train_loss、val_loss和时间/纪元。耐心 = 10 个时期后提前停止触发而没有改善。最佳模型保存到 runs/.../checkpoints/best.h5。这是一个检查点，使用显示层堆栈的 model.summary（） 进行观察;参数计数应与 表 2 匹配。如果收到 OOM 错误，请将批处理减少到 16 或将输入大小设置为 224 x 224。

中间检查点和故障排除
锐化和分割后，每次分割预览三张图像，并确认 （i） 边缘得到增强，（ii） 簇蒙版与解剖结构对齐。在训练期间，确保验证损失减少且不会发散。如果去噪输出出现过度平滑，则减少核中心 （4.5），或以较低的学习率（例如 5e-4）将训练历元增加 10 个。

性能评估：使用了以下定量指标：峰值信噪比 （PSNR）、结构相似性指数测量 （SSIM） 和去噪图像分类的验证准确性。

与 ^7,16 中提出的基线模型相比，所提出的方法将 PSNR 从 21.52 dB 提高到 28.14 dB，将 SSIM 从 0.76 提高到 0.86。通过监控 GPU 使用情况（NVIDIA-SMI 日志）和训练时间来记录能效。表3总结了去噪结果。

老号	度量	基线模型
1	平均纪元时间（秒）	25.8
2	总训练能量 （kWh）	0.52
3	GPU 利用率 （%）	85%
4	每张图像的推理时间（毫秒）	18.7
5	验证准确率 （%）	76.19%
6	PSNR （分贝）	21.52
7	SSIM的	0.7619

表 3：基线与所提议方法的性能评估指标。 下表将建议的去噪管道与基线模型在多个性能指标上进行了比较，包括训练时间、GPU 利用率和质量度量（PSNR、SSIM 和验证精度）。结果表明，所提方法提高了能源效率和图像质量。

计算 PSNR/SSIM 和能耗。对于 PSNR/SSIM （scikit-image），请使用以下代码。

对于计算能量/GPU 使用，在训练期间运行记录 nvidia-smi --query-gpu=power.draw，utilization.gpu --format=csv -l 1 的单元格以运行/.../gpu_log.csv（在笔记本中提供）。在第二个终端中，运行以下代码：

解析 CSV 以计算平均功率 （W），并在训练时间内对估计能量进行积分 （Wh = kWh）。该笔记本将 PSNR、SSIM、验证精度、纪元时间和能量聚合到results_table3.csv中，以便直接包含。

可持续性评估和远程医疗模拟
为了评估设备硬件的可持续性，我们应用高斯噪声和泊松噪声来模拟设备老化造成的图像质量下降。该模型将这些降级的输入恢复到接近诊断的质量，验证了其鲁棒性 27,28,29。在远程医疗模拟中，使用 Python 套接字通过模拟的 256 Kbps 带宽传输去噪图像。保持视觉清晰度，支持远程诊断^30、31、32。

对于设备老化模拟，应用高斯噪声（σ=10-30）和泊松噪声来清理图像（细胞老化模拟）并保存到data/simulated/aged/。在年龄/输入上运行训练好的模型;将输出保存在 results/aged_denoised/ 中。观察视觉质量应达到接近诊断的保真度;将 PSNR/SSIM 与基线进行比较。

对于远程医疗带宽测试，将去噪图像以 85%-95% 压缩为 PNG/JPEG，并使用提供的 Python 套接字测试 （telemed_sim.py） 通过模拟的 256 kbps 链路发送。测量往返时间和文件完整性哈希;验证未引入诊断伪影。观察到视觉清晰度得以保留，文件大小适合低带宽工作流程。

协议终结点
完成时，您应该拥有：（i） preproc/enhanced/ 中的锐化图像，（ii） preproc/segmented/ 中的分段图像，（iii） 经过训练的自动编码器，在运行/.../checkpoints/ 中使用 best.h5，（iv） 结果中测试和老化图像的降噪输出/，（v） 汇总 PSNR、SSIM、验证精度、纪元时间和估计能量的编译指标文件 （results_table3.csv）。

Results

预处理和分割结果
初始预处理阶段提高了关键解剖边界的可见性，同时减少了背景干扰。如图 7 所示，锐化后的图像表现出更清晰的边缘清晰度，这有助于下游分割。使用值为 K = 3 和 5 的 K 均值聚类创建的分割图像成功地从诊断相关区域³³ 中分离出噪声较大的像素。此步骤生成了保持结构保真度并最大限度地减少噪声影响的分段图像^33,34。

基于自动编码器的去噪性能
基于 CNN 的自动编码器在预处理后的图像上进行了训练，显示出稳定的学习动态，由于早期停止机制，在 100 个 epoch 内收敛。与在原始图像上训练的模型相比，预处理辅助管道实现了~20%的收敛速度，并将GPU使用率降低了相同的幅度^16,15

Discussion

这项工作提出了一种混合去噪方法，该方法将图像预处理与卷积自动编码器相结合，以提高诊断图像质量，同时优化能源使用和计算性能。

该方法在预处理阶段结合锐化滤波器和K均值聚类，以提高边缘清晰度并减少不相关噪声，然后使用基于CNN的自动编码器进行自适应去噪。这种混合管道减少了不必要的计算作，并加速了训练期间的收敛。

通过在 PSNR（从 21.52 dB 到 28.14 dB）、SSIM（从 0.76 到 0.869）和验证准确性（从 0.76 到 0.869）方面实现显着改进，该模型展示了诊断功效。此外，GPU 利用率和训练时间减少 ~20% 支持临床环境中可持续的人工智能实施。

尽管有其优点，但该方法可能对图像模态和噪声分布敏感。K-means 分割假设聚类分布均匀，这可能不适用于所有医学图像类型。此外，如果锐化内核配置错误，可能会发生过度平滑，从而可能掩盖微妙的病理特征。

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
谷歌合作实验室	谷歌	不适用	用于模型训练和测试的云平台
Keras （v2.x）	开源	不适用	用于神经网络实现的 TensorFlow 高级 API
Matplotlib（v3.4 或更高版本）	开源	不适用	用于图像和结果的可视化
Microsoft Excel 365	Microsoft	不适用	用于结果制表和分析
NumPy（v1.21 或更高版本）	开源	不适用	用于矩阵运算和数值计算
英伟达特斯拉 T4 GPU	英伟达	不适用	GPU 用于加速训练和推理
公开可用的医学成像数据集（CT 和 MRI 图像）	开源数据库	不适用	用作模型训练、验证和测试的源数据
Python （v3.8 或以上）	Python 软件基础	不适用	用于模型实现的编程语言
Scikit-learn（v0.24 或更高版本）	开源	不适用	用于 K 均值聚类和预处理
TensorFlow （v2.x）	桌子	不适用	用于CNN模型开发的深度学习库